Simulation von Zufallsexperimenten
Was ist eine Simulation?
Eine Simulation imitiert ein Zufallsexperiment durch computergestützte oder manuelle Erzeugung von Zufallszahlen. Statt das reale Experiment (etwa tausendfaches Würfeln) tatsächlich durchzuführen, nutzt man einen Zufallszahlengenerator, um die Ergebnisse nachzubilden. Simulationen sind ein mächtiges Werkzeug der modernen Stochastik, besonders wenn analytische Berechnungen zu komplex werden oder das reale Experiment zu aufwendig wäre.
Prinzip der Monte-Carlo-Simulation
Die Monte-Carlo-Methode führt ein Zufallsexperiment sehr oft (z. B. 10 000 Mal) durch und schätzt die gesuchte Wahrscheinlichkeit über die relative Häufigkeit. Nach dem Gesetz der großen Zahlen konvergiert diese relative Häufigkeit gegen die wahre Wahrscheinlichkeit.
Die Grundschritte einer Simulation:
- Modellierung des Experiments mit Zufallszahlen
- Viele Durchläufe (Trials) durchführen
- Zählen der gewünschten Ereignisse
- Schätzung der Wahrscheinlichkeit als relative Häufigkeit
Zufallszahlen erzeugen
Der GTR liefert mit rand() gleichverteilte Zufallszahlen im Intervall \( [0, 1) \). Für andere Verteilungen konstruiert man passende Transformationen:
- Würfel simulieren: \( \lfloor 6 \cdot \text{rand}() \rfloor + 1 \) oder randInt(1, 6)
- Bernoulli-Versuch mit Wahrscheinlichkeit \( p \): Erfolg, wenn \( \text{rand}() < p \)
- Urnenziehung: Zufällige Indexwahl in einem Array
Beispiel 1: Würfelsumme
Wahrscheinlichkeit, mit zwei Würfeln eine 7 zu würfeln: Analytisch ist dies \( \frac{6}{36} = \frac{1}{6} \approx 0{,}167 \). Mittels Simulation: Man wirft in einer Schleife zweimal einen Zufallswürfel, summiert, zählt die Siebener. Bei 10 000 Durchläufen liegt das Ergebnis erfahrungsgemäß nahe bei 1667 ± 40, die geschätzte Wahrscheinlichkeit also nahe bei 0,167.
Beispiel 2: Geburtstagsparadoxon
Wie wahrscheinlich ist es, dass in einer Gruppe von 23 Personen zwei am selben Tag Geburtstag haben? Analytisch: etwa 50,7 %. Die Simulation: Erzeuge für 23 Personen zufällige Geburtstage (Zahlen von 1 bis 365), prüfe auf Duplikate. Wiederhole viele Male und zähle. Das überraschende Ergebnis – schon bei 23 Personen mehr als 50 % Wahrscheinlichkeit! – wird durch die Simulation eindrucksvoll bestätigt.
Beispiel 3: Irrfahrt
Ein Betrunkener bewegt sich in jedem Schritt mit gleicher Wahrscheinlichkeit vor oder zurück. Wo befindet er sich nach 100 Schritten? Die Simulation zeigt die charakteristische Streuung: Im Mittel bleibt er bei null, aber die Standardabweichung wächst mit \( \sqrt{n} \). Solche Irrfahrten simuliert man mit kumulativen Summen zufälliger ±1-Schritte.
Vorteile von Simulationen
Simulationen haben mehrere Vorteile gegenüber analytischen Berechnungen:
- Flexibilität: Auch komplexe Modelle, die analytisch unlösbar sind, lassen sich simulieren.
- Anschaulichkeit: Die schrittweise Durchführung macht den Zufallsprozess verständlich.
- Verifikation: Simulationen können analytische Berechnungen überprüfen.
- Universalität: Einmal programmiert, lassen sich Parameter leicht ändern und neue Fragen beantworten.
Grenzen und Fallstricke
Simulationen liefern nur Schätzwerte – bei endlich vielen Durchläufen bleibt eine Unsicherheit. Die statistische Fehlerbandbreite sinkt mit \( 1/\sqrt{n} \), d. h. die Genauigkeit verdoppelt sich erst bei vierfacher Durchlaufzahl. Außerdem hängt die Qualität von einem guten Zufallszahlengenerator ab; Pseudozufallszahlen haben subtile Abhängigkeiten, die bei sehr großen Simulationen ins Gewicht fallen können.
Zusammenfassung
Simulationen erzeugen durch wiederholte Zufallsexperimente Schätzwerte für Wahrscheinlichkeiten und illustrieren stochastische Phänomene. Die Monte-Carlo-Methode nutzt das Gesetz der großen Zahlen als Grundlage. Simulationen sind besonders wertvoll bei komplexen Problemen, zur Anschauung und zur Überprüfung analytischer Ergebnisse. Sie gehören zum modernen Werkzeugkasten der angewandten Stochastik und verbinden Wahrscheinlichkeitstheorie mit Computeranwendungen.